電力負荷預(yù)測

1、 中國農(nóng)業(yè)大學(xué)畢業(yè)設(shè)計（論文）電力負荷的預(yù)測 學(xué)院（系）： 專業(yè)班級： 學(xué)生姓名： 指導(dǎo)教師： 學(xué)位論文原創(chuàng)性聲明 本人鄭重聲明：所呈交的論文是本人在導(dǎo)師的指導(dǎo)下獨立進行研究所取得的研究成果。除了文中特別加以標注引用的內(nèi)容外，本論文不包括任何其他個人或集體已經(jīng)發(fā)表或撰寫的成果作品。本人完全意識到本聲明的法律后果由本人承擔(dān)。作者簽名： 年 月 日學(xué)位論文版權(quán)使用授權(quán)書本學(xué)位論文作者完全了解學(xué)校有關(guān)保障、使用學(xué)位論文的規(guī)定，同意學(xué)校保留并向有關(guān)學(xué)位論文管理部門或機構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。本人授權(quán)省級優(yōu)秀學(xué)士論文評選機構(gòu)將本學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)進行檢索，可以

2、采用影印、縮印或掃描等復(fù)制手段保存和匯編本學(xué)位論文。本學(xué)位論文屬于1、保密囗，在 年解密后適用本授權(quán)書2、不保密囗 。（請在以上相應(yīng)方框內(nèi)打“”）作者簽名： 年 月 日導(dǎo)師簽名： 年 月 日 摘要電力負荷預(yù)測是電力系統(tǒng)調(diào)度、用電、規(guī)劃等管理部門的重要工作。短期電力負荷預(yù)測圭要用來預(yù)報未來幾小時，一天至幾天的電力負荷，它是能量管理系統(tǒng)的重要組成部分，在現(xiàn)代電力系統(tǒng)的安全和經(jīng)濟運行中起著重要作用。隨著電力企業(yè)逐漸走向市場，對短期負荷預(yù)測提出了更高的精度要求。由于電力負荷受政治、氣候、以及電力負荷自身狀況等多種因素的影響，因此負荷預(yù)測是一項十分復(fù)雜的工作。本文首先分析了電力系統(tǒng)負荷的構(gòu)成，闡述了國內(nèi)

3、外短期電力負荷預(yù)測的基本方法，并在此基礎(chǔ)上對近一年來的負荷數(shù)據(jù)進行統(tǒng)計分析，重點介紹了數(shù)據(jù)預(yù)處理的方法、相似目的選取和灰色模型在短期電力負荷預(yù)測中的應(yīng)用。關(guān)鍵詞：短期負荷預(yù)測 精度 系統(tǒng)設(shè)計Abstract Electrical load forecasting has important function in programming anddispatching department of power systemShortterm load forecasting,which major function is to forecast future power load several

4、hours or several days 1ater,is themain part of the energy management system(EMS)Meanwhile，It is important to the security and economical operation in modem power systemsGone with the powerPlant walking towards to the power market，load forecasting precision standard hasbecome more and more strict Bec

5、ause power load is influenced by multiple factors，such as politics，climate， self-status of the power load and so on,short-term load forecasting is a complexemploymentFirstly，this paper analyses constitutes of the electrical load，and thenintroduces the basic method for shortterm load forecasting at h

6、ome and abroadOnthe basis of these theories，this analyses load data in nearly one year,and then make emphasesOn the method of processing the history load data ，the selection of the similar day and the applying of the gray model in short-term load forecasting.At last,this paper shows the designing pr

7、ocedure of the power short-term load forecasting system and then proved the validity of the gray model method.Key words： short-term load forecasting precision system design 目錄第1章 緒論1.1 研究的背景和意義1.1.1 課題背景隨著工農(nóng)業(yè)的發(fā)展、人民生活水平的日益提高，社會對電力的需求量越來越大。為了滿足日益增大的電力需求量，必須不斷擴大電力系統(tǒng)的規(guī)模。由于電力工業(yè)的發(fā)展需要巨大的投資和一次能源，而且對國民經(jīng)濟其它部門

8、有巨大的影響，合理的電力系統(tǒng)規(guī)劃不僅可以獲得巨大的經(jīng)濟效益，也能獲得巨大的社會效益。相反，電力系統(tǒng)規(guī)劃的失誤會給國家建設(shè)帶來不可彌補的損失。所以對電力規(guī)劃進行分析研究，以求得最大限度提高規(guī)劃質(zhì)量，具有重大的意義，而實現(xiàn)這一目標的第一步就是作好電力負荷預(yù)測。電力負荷預(yù)測的準確程度直接影響到投資、網(wǎng)絡(luò)布局和運行的合理性。 短期負荷預(yù)測是負荷預(yù)測的重要組成部分，它主要用于預(yù)報未來幾小時、一天至幾天的電力負荷，對于調(diào)度安排開停機計劃、機組最優(yōu)組合、最優(yōu)潮流、電力市場交易有著重要的意義。電力負荷的變化一方面有其不確定性，明顯受到各種環(huán)境因素的影響：如氣候的變化、意外事故的發(fā)生等造成對電力負荷的隨機性干擾

9、，這使得負荷時間序列的變化出現(xiàn)非平穩(wěn)的隨機過程；另一方面，在一定條件下電力負荷存在著明顯的變化趨勢，具有明顯的周期性，一旦找到了負荷的變化趨勢，按照該變化趨勢就能對未來負荷情況作出判斷，這就是趨勢外推預(yù)測技術(shù)。1.1.2負荷預(yù)測特征及意義負荷預(yù)測就是在考慮些重要因素(如系統(tǒng)運行特性、增容決策、自然條件與社會影響)的條件下，研究或利用一套系統(tǒng)地處理過去和未來負荷的數(shù)學(xué)方法，在滿足一定精度的前提下，研究某未來特定時刻的負荷數(shù)值。負荷預(yù)測在經(jīng)歷了開始、應(yīng)用和發(fā)展各階段直到今天，形成了現(xiàn)代負荷預(yù)測的分析思路、預(yù)測方法和技術(shù)等較為成熟的負荷預(yù)測經(jīng)驗和現(xiàn)代化的負荷預(yù)測發(fā)展方向，形成了現(xiàn)代負荷預(yù)測的特征。它

10、具有如下幾個明顯的特征：1預(yù)測定量化當(dāng)前的電力行業(yè)面對“短、頻、快”的信息時代，對未來的負荷預(yù)測要求有確切的數(shù)量和時間的概念。另外，定量化的負荷預(yù)測越來越借助于數(shù)據(jù)方法，這是信息時代決定的準確量化的要求。2面向數(shù)據(jù)分析隨著信息時代的到來，數(shù)據(jù)通信和采集手段的現(xiàn)代化，使得負荷信息量增多；同時，數(shù)學(xué)模型首先要求初始的信息數(shù)據(jù)必須正確，這使得必須首先對歷史數(shù)據(jù)的可靠性和正確性進行必要的分析和處理，然后再進行使用。3定量與定性預(yù)測結(jié)合由于電力負荷預(yù)測的復(fù)雜性，當(dāng)預(yù)測結(jié)果與實際情況接近時，定量預(yù)測可以有良好的效果；當(dāng)預(yù)測結(jié)果與實際差別較大而所用的模型方法又不準確時，就必須對負荷預(yù)測做定性分析。4動態(tài)特征

11、動態(tài)特征指的是預(yù)測的短期化、經(jīng)常化和模型自適應(yīng)化。預(yù)測期越短，精度越高，越有利于模型的動態(tài)特征。模型的動態(tài)特征可以不斷吸收新的信息數(shù)據(jù)，及時發(fā)現(xiàn)預(yù)測方法或模型的不足之處并加以調(diào)整。電力負荷預(yù)測按預(yù)測時間的長短，可以分為四類：超短期負荷預(yù)測。主要對未來1h，未來O5h甚至未來10m灑的負荷進行預(yù)測，它主要用于對電網(wǎng)進行計算機在線控制，實現(xiàn)發(fā)電容量的合理調(diào)度，節(jié)省發(fā)電成本。短期負荷預(yù)測。主要指一年之內(nèi)以月為單位的負荷預(yù)測，還指以周、天、小時為單位的負荷預(yù)測，通常是指預(yù)測未來一周、未來一天的負荷。它的意義在于經(jīng)濟合理地安排本網(wǎng)內(nèi)各機組的啟停，同時保證在正常用電的情況下合理安排機組檢修計劃。中期負荷預(yù)

12、測。主要指未來幾周或未來幾個月的負荷預(yù)測。它主要用于安排月度檢修計劃、運行方式、水庫調(diào)度計劃、電煤計劃。長期負荷預(yù)測。指未來一年或幾年的負荷預(yù)測。它的作用在于電網(wǎng)規(guī)劃部門根據(jù)國民經(jīng)濟的發(fā)展和電力負荷的需求，對電網(wǎng)改造和擴建工作做出遠景規(guī)劃。為了準確的預(yù)測市場對電力這一商品的需求，當(dāng)前世界各個電力公司和供電公司都在積極進行滿足電力要求的短期負荷預(yù)測研究。從以上的比較也可以看出，電力市場運營對短期負荷預(yù)測提出了更高、更嚴格的要求，準確的電力系統(tǒng)負荷預(yù)測具有很大的經(jīng)濟效益，必須進行深入研究。1.2本文的主要工作先概述電力系統(tǒng)短期負荷預(yù)測，包括國內(nèi)外的發(fā)展現(xiàn)狀、電力負荷預(yù)測的原理、電力系統(tǒng)負荷分類、短

13、期負荷特性分析；然后搜集數(shù)據(jù)并對數(shù)據(jù)進行列表整理分析；最后得出結(jié)論。第二章電力系統(tǒng)短期負荷預(yù)測概述隨著我國電力系統(tǒng)的發(fā)展，電網(wǎng)管理的日趨現(xiàn)代化，負荷預(yù)測問題的研究齙越來越引起人們的注意，并已成為現(xiàn)代電力系統(tǒng)學(xué)科中一個重要的領(lǐng)域。整個社會是一個復(fù)雜的整體，每個用戶的要求各不相同，因此整個社會的用電需求既有一定的統(tǒng)計規(guī)律性，又具有大量的隨機影響因素，具有不確定性。對電力系統(tǒng)的負荷變化，如果事先有一個比較準確的估計，對提高電力系統(tǒng)的規(guī)劃水平和提高電力系統(tǒng)運行的安全性、經(jīng)濟性、可靠性，提高電網(wǎng)的供電質(zhì)量，有著重要的現(xiàn)實意義。因此，在實踐中，無論是制定電力系統(tǒng)規(guī)劃或是實現(xiàn)電力系統(tǒng)運行自動化，進行相應(yīng)的負

14、荷預(yù)測都是必不可少的。21負荷預(yù)測國內(nèi)外發(fā)展現(xiàn)狀1負荷預(yù)測的起源和發(fā)展 負荷預(yù)測的起源可以追溯到二十世紀二十年代初。當(dāng)時電力系統(tǒng)規(guī)模小，因此負荷預(yù)測的思想沒有引起人們的重視。但是六十年代中期的幾次系統(tǒng)瓦解事故，將電力系統(tǒng)的安全分析提上了日程。同時，世界各國的經(jīng)濟迅猛發(fā)展，對電力的需求量越來越大，對電能質(zhì)量的要求越來越高，從而帶動電力系統(tǒng)迅速發(fā)展壯大，從這時候開始，負荷預(yù)測獲得了初步的發(fā)展。從二十世紀六，七十年代到現(xiàn)在，負荷預(yù)測可以大致劃分為兩個階段：第一階段(二十世紀六、七十年代到八十年代末)是使用傳統(tǒng)負荷預(yù)測技術(shù)的階段，這一階段基本沿襲了經(jīng)濟領(lǐng)域的預(yù)測技術(shù)。采用的方法大致可以分為兩種類型，一

15、是時間序列法，另一種是回歸分析法。時間序列法是通過對預(yù)測對象的歷史觀測數(shù)據(jù)時間序列的分析處理，來研究其發(fā)展過程的基本特征和變化規(guī)律，并據(jù)此預(yù)測未來行為的方法?；貧w分析法屬于相關(guān)法預(yù)測，它通過建立某些變量與負荷之間的因果關(guān)系而獲得預(yù)測負荷。由于電力負荷的變化受到很多相關(guān)因素的影響，所以采用回歸分析法進行負荷預(yù)測是自然的想法和可行的途徑。第二階段(二十世紀九十年代到現(xiàn)在)，隨著計算機技術(shù)的日新月異，人工智能技術(shù)的興起，負荷預(yù)測迅速進入了使用智能化負荷預(yù)測技術(shù)的階段。 2我國在電力系統(tǒng)負荷預(yù)測領(lǐng)域的進展 從國內(nèi)外研究情況看，國外大概是由于其負荷發(fā)展變化規(guī)律趨于穩(wěn)定的緣故，中長期負荷預(yù)測的研究遠遠少于

16、短期預(yù)測，國內(nèi)則基本上兩者并重。隨著社會主義市場經(jīng)濟體制改革的深入發(fā)展，電力工業(yè)以增強活力、提高效益、改善服務(wù)為目的的市場化改革已經(jīng)成為必然趨勢。我國于1998年開始了電力工業(yè)市場化改革。近年來，隨著我國電力市場改革的深入開展，負荷預(yù)測的研究取得了長足進展，幾乎每個實行電力市場的區(qū)網(wǎng)，其電力市場技術(shù)支持系統(tǒng)都有負荷預(yù)測模塊。22負荷預(yù)測的原理可知性原理。也就是說，預(yù)測對象的發(fā)展規(guī)律、其未來的發(fā)展趨勢和狀況是可以為人們所認知的，客觀世界是可以被認知的。人們不但可以認識它的過去和現(xiàn)在，而且還可以通過總結(jié)它的過去和現(xiàn)在推測其將來。這就是預(yù)測活動的基本原理?？?2性原理。因為事物的發(fā)展變化是在內(nèi)因和外

17、醫(yī)的共圓作用下進行的，內(nèi)因的變化及外因作用力大小不同，會使事物發(fā)展變化有多種可能性。所以，對某一具體指標的預(yù)測，往往是按照其發(fā)展變化的多種可能性，進行多方案預(yù)澳4的。連續(xù)性原理。又稱慣性原理，是指預(yù)測對象的發(fā)展是一個連續(xù)統(tǒng)一的過程，其未來發(fā)展是這個過程的延續(xù)。它強調(diào)了預(yù)測對象總是從過去到現(xiàn)在，再從現(xiàn)在發(fā)展到未來。電力系統(tǒng)的發(fā)展變化同樣存在著慣性，如某些負荷指標會以原來的趨勢和特性保持下來、延續(xù)下去，因此了解事物的過去和現(xiàn)在，并掌握其規(guī)律，就可以對未來的發(fā)展情況利用連續(xù)性原理進行預(yù)測。相似性原理。盡管客觀世界中各種事物的發(fā)展各不相同，但事物發(fā)展之間還是存在著相似之處，人們可以利用這種相似性原理進

18、行預(yù)測。在多數(shù)情況下，作為預(yù)測對象的一個事物，其現(xiàn)在的發(fā)展過程和發(fā)展狀況可能與另一事物過去一個階段的發(fā)展過程和發(fā)展狀況相類似，人們就可以根據(jù)后一事物的已知發(fā)展過程和狀況，來預(yù)測所預(yù)測對象的未來發(fā)展過程和狀況，這就是相似性原理。反饋性原理。反饋就是利用輸出返回到輸入端，再調(diào)節(jié)輸出結(jié)果。預(yù)測的反饋性原理實際上就是為了不斷提高預(yù)測的準確性而進行的反饋調(diào)節(jié)。人們在預(yù)測活動實踐中發(fā)現(xiàn)，當(dāng)預(yù)測的結(jié)果和經(jīng)過一段實踐所得到的實際值之間存在著差距時，可以利用這個差距，對遠期預(yù)測值進行調(diào)節(jié)，以提高預(yù)測的準確性。系統(tǒng)性原理。預(yù)測對象是一個完整的系統(tǒng)，它本身有內(nèi)在的系統(tǒng)，它與外界事物的聯(lián)系又形成了它的外在系統(tǒng)。這些系

19、統(tǒng)綜合成一個完整的總系統(tǒng)，在預(yù)測中都要進行考慮，即預(yù)測對象的未來發(fā)展就是系統(tǒng)整體的動態(tài)發(fā)展，而且整個系統(tǒng)的動態(tài)發(fā)展與它的各個組成部分和影響因素之間的相互作用和相互影響有關(guān)。系統(tǒng)性原理還強調(diào)系統(tǒng)整體最佳，只有系統(tǒng)整體最佳的預(yù)測，才有高質(zhì)量的預(yù)測，才能為決策者提供最佳的預(yù)測方案。23電力系統(tǒng)短期負荷特性分析在電力系統(tǒng)在逐步發(fā)展完善過程中，負荷預(yù)測已成為能量管理系統(tǒng)(EMs)中一項獨立的內(nèi)容。在實際應(yīng)用中，電力系統(tǒng)不同組成部分對負荷預(yù)測的范圍和精度有所不同，因此研究負荷變化的內(nèi)在規(guī)律和負荷特性、影響負荷變化的各種相關(guān)因素，對提高預(yù)測精度及負荷預(yù)測的發(fā)展有重要的意義。231電力系統(tǒng)負荷分類電力系統(tǒng)負荷

20、按照使用范圍大致可以分為：民用負荷、工業(yè)負荷、商業(yè)負荷、農(nóng)業(yè)負荷等。不同類型的負荷具有不同的特點和規(guī)律。民用負荷，主要指城市居民用電負荷，包括夏季的降溫設(shè)備、冬季的取暖設(shè)備以及其他家用電器的負荷。近年來，隨著我國人民生活水平的提高，民用負荷在整個電力負荷中所占的比例越來越大，尤其在冬季和夏季，由于敏感予氣候變化的家用電器(電爐、電熱器、空調(diào)、電風(fēng)扇、電冰箱等)的日益廣泛應(yīng)用，使得民用負荷變化對系統(tǒng)峰值的影響越來越大。此類負荷通常具有年增長性及明顯的季節(jié)波動和R變化等特點。工業(yè)負荷，主要指各廠礦進行工業(yè)生產(chǎn)的用電負荷。通常情況下，它所占的比重最大，且由工業(yè)生產(chǎn)的規(guī)律決定：晚間的負荷較輕而白天的負

21、荷較重：工作日的負荷重而節(jié)假日的負荷輕。工業(yè)負荷相對來說比較穩(wěn)定，較少受到天氣等因素的影響。商業(yè)負荷，主要是指商業(yè)行業(yè)的照明、空調(diào)、動力等負荷，一般所占的比重較小，它同樣具有季節(jié)性變化和日變化的特點。另外，在節(jié)假日由于商業(yè)行業(yè)增加營業(yè)時間，而工業(yè)負荷相對減少，商業(yè)負荷成為節(jié)假日期間影響電力負荷的重要因素。農(nóng)業(yè)負荷，主要是指城鎮(zhèn)以外的農(nóng)村居民用電和農(nóng)業(yè)生產(chǎn)用電，它受季節(jié)影響較大，對降水量、天氣等自然因素的變化十分敏感。比如，春季是農(nóng)業(yè)灌溉負荷最大的季節(jié)，降雨信息就成為預(yù)測農(nóng)業(yè)負荷的主導(dǎo)因素；如果發(fā)生旱澇災(zāi)害，農(nóng)業(yè)負荷也會顯著增加。此外，對于擁有許多水電廠的大電網(wǎng)來說，農(nóng)業(yè)負荷還隨著豐水期和枯水期

22、的變化而變化。數(shù)據(jù)分析表明，電力系統(tǒng)峰值負荷往往是由于季節(jié)性的極端氣候造成的。比如，在夏季的高溫延續(xù)期，各種空調(diào)裝置、電風(fēng)扇、制冷設(shè)備等降防暑降溫設(shè)備幾乎都滿負荷運行，造成了夏季峰值負荷；冬季的低溫延續(xù)期，尤其在江南地區(qū)，雖然不會造成熱浪期那樣嚴重的峰值負荷，但是寒潮季節(jié)般照明負荷增長，而且還有大量的取暖負荷，因此也應(yīng)特別注意。232短期負荷特性分析電力負荷的特點是經(jīng)常變化的，不但按小時變、按日變，而且按周變，按年變，同時負荷又是以天為單位不斷起伏的，具有較大的周期性。負荷變化是連續(xù)的過程，一般不會出現(xiàn)大的躍變，但電力負荷對季節(jié)、溫度、天氣等是敏感的。按照一般的做法，任何時刻的負荷可以為如下4

23、種成分的組合：1典型負荷分量典型負荷分量也稱為正常負荷，它與氣象無關(guān)，具有線性變化和周期變化的特點。線性變化描述日平均負荷變化規(guī)律，而周期變化描述以24小時為周期的變化規(guī)律。典型負荷的不同主要是由于各地負荷組成方式的不同所引起，負荷組成的差異性主要體現(xiàn)在兩個方面：一是負荷種類；二是各種負荷成分所占比重。不同組成的負荷在這兩方面的差異決定了它們的負荷特性及對影響因素的響應(yīng)特性互不相同。2天氣敏感負荷分量天氣敏感負荷分量與一系列天氣因素有關(guān)：如溫度、濕度、風(fēng)力、陰晴等。不同天氣因素影響負荷的方式不同，一年中不同時期天氣因素影響負荷的方式也不同，這就形成負荷季節(jié)性周期變化的規(guī)律。3異常或特殊事件負荷

24、分量異?；蛱厥馐录?如重大政治活動、系統(tǒng)故障、限電、民間節(jié)日等)負荷分量使負荷明顯偏離典型負荷特性。由于這類事件的隨機性，需要由調(diào)度人員參與判斷。在各種負荷預(yù)測模型中這部分往往通過人工修正或?qū)＜蚁到y(tǒng)模型加以改進。4隨機負荷分量隨機負荷分量是負荷中的不可解釋成分，可通過負荷預(yù)測的模型和算法來考慮這些隨機負荷分量。例如，在時間序列法中，將剩余的殘差，即各時刻的隨機負荷變量，看成是隨機時間序列；而在神經(jīng)網(wǎng)絡(luò)預(yù)測中利用模型良好的非線性能力，可以很好的考慮到隨機負荷分量。第三章電力負荷預(yù)測系統(tǒng)軟件設(shè)計當(dāng)前電力系統(tǒng)短期負荷預(yù)測作為EMS系統(tǒng)的一個組成部分，在現(xiàn)代電力管理部門起著重要的作用。隨著我國加入WT

25、O和市場經(jīng)濟體制的逐步完善，電力系統(tǒng)也需要適應(yīng)市場需求，降低發(fā)電成本，提高競爭能力。在電力市場的運營機制下，負荷預(yù)測作為EMS的一個基本功能，編寫一套負荷預(yù)測軟件系統(tǒng)是十分有意義的。3.1數(shù)據(jù)庫的設(shè)計是程序?qū)崿F(xiàn)的基礎(chǔ)，設(shè)計的好壞關(guān)系到程序的維護及其生命周期。在進行了數(shù)據(jù)分析之后，設(shè)計了如下數(shù)據(jù)庫：(1)歷史負荷數(shù)據(jù)庫。用于存儲預(yù)測所使用的原始負荷數(shù)據(jù)，主要包括如下字段：日期(格式為文本，6位字符，比如將2005年5月12日記為050512)：96個雙精度格式的數(shù)據(jù)字段，用來保存一天的負荷記錄。(2)預(yù)測數(shù)據(jù)庫。用于保存預(yù)測結(jié)果，調(diào)度人員從此處導(dǎo)出數(shù)據(jù)，上報上級電力主管部門。字段要求和歷史負荷數(shù)

26、據(jù)庫相同。(3)氣象資料數(shù)據(jù)庫。考慮到氣象對負荷變化的影響，并且很多預(yù)測模型中需要使用氣象數(shù)據(jù)，設(shè)此數(shù)據(jù)庫用來提高負荷預(yù)測精度。根據(jù)嘉興市所能提供的氣象資料，數(shù)據(jù)庫中包含如下字段：日期，文本格式；最高氣溫，單精度格式；最低氣溫，單精度；平均氣溫，單精度；降雨量，單精度。(4)數(shù)據(jù)狀態(tài)和同期類型數(shù)據(jù)庫。為了使程序搜尋相似日的速度加快，并易4除壞數(shù)據(jù)的影響，設(shè)此數(shù)據(jù)庫。它主要包含字段：日期，文本格式；日期類型，整型；數(shù)據(jù)狀態(tài)，整型。這些數(shù)據(jù)庫之間不是孤立的，它們之間存在一定的聯(lián)系。圖3.1為數(shù)據(jù)庫設(shè)計 圖3.1 數(shù)據(jù)庫E-R圖 圖3-2圖3-2中，HIST表示歷史數(shù)據(jù)庫，F(xiàn)ORE表示預(yù)測數(shù)據(jù)庫，W

27、EA表示氣象數(shù)據(jù)庫，PROP表示日期類型和數(shù)據(jù)狀態(tài)數(shù)據(jù)庫，DATE表示日期字段，DATA表示96點負荷字段，TEMP表示氣象屬性，TYPE表示日期類型字段，ST棵，S表示數(shù)據(jù)狀態(tài)宇段。第四章 數(shù)據(jù)分析從實際情況出發(fā)，本文采用黑盒測試法。從程序的功能來看，短期電力負荷預(yù)測系統(tǒng)共需要測試如下幾大塊：1數(shù)據(jù)導(dǎo)入導(dǎo)出，測試其是否能正確完成其功能。2數(shù)據(jù)處理，測試其是否能F確完成功能并檢查能否達到預(yù)期效果。3負荷預(yù)測，測試其各個模塊的功能是否準確無誤，負荷預(yù)測的精度是否滿足要求。本文只節(jié)選了該系統(tǒng)中最重要的一個模塊負荷預(yù)測模塊進行測試。此處再分別選取普通工作日和重大節(jié)日，用“帶殘差的普通灰色模型”進行預(yù)

28、測。1普通工作目的預(yù)測隨機選取2015年10月26日(星期三，即正常工作日)作為預(yù)測對象，需要采用的歷史數(shù)據(jù)列于表4-1。在不帶氣象數(shù)據(jù)的情況下，用普通灰色模型進行預(yù)測，得到如下結(jié)果。(見表42及圖410)。2重大休息日的預(yù)測隨機選取2015年10月1日(國慶節(jié)，即重大節(jié)日)作為預(yù)測對象，需要采用的數(shù)據(jù)列于表4-3，同樣采用“帶殘差校正的灰色模型”，得到如下預(yù)測結(jié)果。(見表4-4及圖4-11)表4一1用于灰色預(yù)測的原始數(shù)據(jù)(工作日)時間01：0002：0003：0004：0005：0006：0007：0008：0009：0010：0011：0012：0021/10123512121182119

29、51215130013641548161616641458147122/1012331192118311771218128013601516158716471434147619/1012281206119811881198129313501487155115831412142224/1011471132110211191156124813531536159616381427144525/10123112071178118312291314137415801613164914321466時間13：0014：0015：0016：0017：0018：0019：0020：0021：0022：0023：

30、0024：0021/1015951583154915721503151114211367136013781274122922/1015621571154615361471146513911344134813661287120919/1015181519150315081418148014071458135413861288123724/1015341539152615381462151214311401139914141316124625/10155715511542153314741521145313911382140513031243表4-2預(yù)測結(jié)果與實際值比較(工作R)時間實際值預(yù)測值誤

31、差%時間實際值預(yù)測值誤差%01：00123311923.3413：00152114852.3502：00120711653.3414：00152114971.5703：00120511544.3215：00150715070.1404：00120911524.6516：00149214880.3005：00121811813.3017：00141814100.5706：00128212641.3518：0014621503-2.7707：00136113480.9419：0014111416-0.3608：0015181532-0.9220：0013421401-4.3709：00156515

32、67-0.1521：0013601394-2.5210：00163315952.3422：0013601414-4.0011：00142513932.2023：0012581315-4.6012：00143914250.9724：0012271248-1.78圖4-1 普通工作日預(yù)測負荷與實際負荷2015年10月26日的預(yù)測精度為9744，其中最大相對誤差474，最小相對誤差003，相對誤差超過5的個數(shù)為0個，總體預(yù)測精度大于95。從圖4-1中，我們可以很直觀地看到，預(yù)測數(shù)據(jù)和實際數(shù)據(jù)是非常接近的，這充分驗證了本文所使用的“帶殘差校正的普通灰色模型”在氣溫變化平穩(wěn)的普通工作日有較高的預(yù)測精度。

33、表43用于灰色預(yù)測的原始數(shù)據(jù)(休息U)時間01：0002：0003：0004：0005：0006：0007：0008：0009：0010：0011：0012：001/101199115211571162118812451307145614811522131613453/101218119111591147119812381336147615641608139914175/101208117711591150115812381319140714701508129913097/1011541107110410961131118612661391147215251346137010/10119811

34、671149113011561181127014051485154813791396時間13：0014：0015：0016：0017：0018：0019：0020：0021：0022：0023：0024：001/101420140813951414135413771315126212971292121511413/101490149314621466140014221348129612771303121111475/101372136413631378133913521280124012181232117311377/10143514501431143513851380127612311236

35、12491161114610/10143814481439146614161388131712621269131212311164表4-4預(yù)測結(jié)果與實際值比較(休息日)時間實際值預(yù)測值誤差%時間實際值預(yù)測值誤差%01：00117811740.3613：00147314660.4702：00115711411.3314：0014601482-1.5603：00113311220.9915：0014511478-1.8804：00112811032.2516：0014651506-2.7805：0011501199-0.2817：0014351455-1.4306：0011981307-0.121

36、8：00142714190.5107：00131014160.2719：00137513213.9208：00145914992.9620：00131712713.4509：00151715671.1821：00132712922.6310：00140014050.6122：0013141334-1.5711：0015771153-0.4023：00123812221.2812：0013931426-2.3724：00119811662.65圖4-2重大節(jié)日預(yù)測負荷與實際負荷2015年10月1日最后的預(yù)測精度為9805，其中最大相對誤差為429，最小相對誤差為0.111，相對誤差大于5的個數(shù)為

37、0個，總體預(yù)測精度大于95。從圖4-2可以看出，雖然預(yù)測中所用的歷史數(shù)據(jù)取到了一個月以前的數(shù)據(jù)，但由于將工作曰和休息日分開處理，預(yù)測負荷和實際負荷還是非常吻合，有較高的預(yù)測精度。通過以上的測試實例，可以得出本文所設(shè)計的短期電力負荷預(yù)測系統(tǒng)各個功能模塊均能滿足指定的要求，在氣溫平穩(wěn)，數(shù)據(jù)序列波動不大的情況下，“帶殘差校正的灰色預(yù)測模型”對普通工作日和重大節(jié)日都有較高的預(yù)測精度。第五章結(jié)論和展望本文結(jié)合實際情況，進行了短期電力負荷預(yù)測研究。在研究開發(fā)嘉短期電力負荷預(yù)測系統(tǒng)的過程中，主要取得了如下學(xué)習(xí)成果：1在歷史數(shù)據(jù)的處理上，認真分析了預(yù)測所用原始數(shù)據(jù)對預(yù)測精度的影響，并相應(yīng)提出了異常數(shù)據(jù)的判定和

38、修正原則。2對負荷特性進行了分析，并依據(jù)負荷的周周期性，年相似性對負荷進行了日期類型劃分；針對影響負荷變化的多方面影響因素進行了分析，為建立模型提供了重要的參考依據(jù)，為正確實現(xiàn)預(yù)測奠定了扎實的基礎(chǔ)。由于時間和數(shù)據(jù)的限制，作者認為本文所研究開發(fā)的短期負荷預(yù)測系統(tǒng)還存在如下問題，需要今后進行改進和完善。數(shù)據(jù)的缺乏造成統(tǒng)計分析工作不徹底，負荷預(yù)測模型考慮的影響因素少，這在一定程度上限制了預(yù)測精度的提高。一個完善的負荷預(yù)測系統(tǒng)，應(yīng)當(dāng)具有多種不同的預(yù)測模型，供不同負荷特性的用戶選擇使用。由于時間的限制，目前程序中核心預(yù)測模型只有灰色模型一種，將來作為軟件系統(tǒng)的完善，應(yīng)建立多種模型供系統(tǒng)比較應(yīng)用。同時，提

39、供數(shù)據(jù)分析工具，將matlab的部分功能嵌入，以方便調(diào)度人員掌握負荷規(guī)律，為提高負荷預(yù)測精度奠定基礎(chǔ)。附錄 部分程序灰色預(yù)測算法：Double CSLFDlg:CalNormalday(double*data,int nStart,int nEnd) Double dResult; dResult=Remain(data,nStart,nEnd); /計算預(yù)測數(shù)據(jù)/確定殘差K0，是否需要對殘差在此計算Bool bHave;Int k0=nStart;For(int i=nStart;i<=nEnd-1;k+) bHave=false; For(int k=i;k<=nEnd-1;k

40、+) bHave=true; Break; K0=i; If(!bHave) Break; /3個或3個以上的數(shù)據(jù)同號才進行處理 If(k0<nEnd-1) Double a=m_dWDIFk0;/為避免全局數(shù)據(jù)被改變，先保存起來 Double x =Remain(m_dWDIF,k0,nEnd); X=a>10e-5?x:-x;/problem?x or -x? dResult +=x; ZeroMemory(m_dWDIF,6*sizeof(double); Return dResult; Double CSLFDlg:Remain(double*data,int nStart

41、,int nEnd) Double B11=0.0,B12=0.0,B21=0.0,B22=0.0,A11=0.0,A21=0.0;/矩陣 Double dResult; /最后結(jié)果 Double dSum6; /一次累積和，最多5個歷史數(shù)據(jù) Double dData6; Double dMatrixB62;Y=BA的B矩陣 Double dSFOR6; /原始數(shù)列預(yù)測模型預(yù)測值 For(int i=nStar;j<=nEnd;i+) dDatai=fabs(datai); /數(shù)據(jù)處理 /對溫度變化異常數(shù)據(jù)的處理For(i=nStart;i<nEnd;i+) If(dDatai+1>dDatai*1.05&&dDatai!=0) dDatai+1=dDatai*1.05; If(dDatai+1<dDatai*0.95&&dDatai=0) dDatai+1=dDatai*0.95; /指數(shù)加權(quán)法，對歷史數(shù)據(jù)的預(yù)處理Const double c=0.5; double temp6； tempnstart=dDatanStart； for(i=nStart+1;i<nEnd;i+) tempi=c*dDatai+(1-c)*tempi-1; For(i=nStart;i<=nEnd